Чтение данных

В вашем варианте нужно использовать датасет food.

food <- read_csv("data/food.csv")

## Rows: 7083 Columns: 38
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr  (2): Category, Description
## dbl (36): Nutrient Data Bank Number, Data.Alpha Carotene, Data.Beta Carotene...
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

Выведите общее описание данных

summary (food)

##    Category         Description        Nutrient Data Bank Number
##  Length:7083        Length:7083        Min.   :11000000         
##  Class :character   Class :character   1st Qu.:27150770         
##  Mode  :character   Mode  :character   Median :53260200         
##                                        Mean   :48849646         
##                                        3rd Qu.:67203450         
##                                        Max.   :99998210         
##  Data.Alpha Carotene Data.Beta Carotene Data.Beta Cryptoxanthin
##  Min.   :   0.00     Min.   :    0.0    Min.   :   0.000       
##  1st Qu.:   0.00     1st Qu.:    0.0    1st Qu.:   0.000       
##  Median :   0.00     Median :    8.0    Median :   0.000       
##  Mean   :  43.76     Mean   :  255.4    Mean   :   4.862       
##  3rd Qu.:   1.00     3rd Qu.:   73.0    3rd Qu.:   1.000       
##  Max.   :4655.00     Max.   :14134.0    Max.   :1922.000       
##  Data.Carbohydrate Data.Cholesterol   Data.Choline      Data.Fiber    
##  Min.   :  0.00    Min.   :   0.00   Min.   :  0.00   Min.   : 0.000  
##  1st Qu.:  5.65    1st Qu.:   0.00   1st Qu.: 10.00   1st Qu.: 0.100  
##  Median : 13.30    Median :   8.00   Median : 19.60   Median : 1.000  
##  Mean   : 20.83    Mean   :  34.46   Mean   : 34.44   Mean   : 1.704  
##  3rd Qu.: 26.20    3rd Qu.:  46.00   3rd Qu.: 44.20   3rd Qu.: 2.100  
##  Max.   :100.00    Max.   :3074.00   Max.   :820.20   Max.   :46.200  
##  Data.Lutein and Zeaxanthin Data.Lycopene      Data.Niacin     
##  Min.   :    0.0            Min.   :    0.0   Min.   :  0.000  
##  1st Qu.:    0.0            1st Qu.:    0.0   1st Qu.:  0.535  
##  Median :   18.0            Median :    0.0   Median :  1.487  
##  Mean   :  213.4            Mean   :  263.6   Mean   :  2.647  
##  3rd Qu.:   81.0            3rd Qu.:    0.0   3rd Qu.:  3.400  
##  Max.   :15643.0            Max.   :45902.0   Max.   :127.500  
##   Data.Protein     Data.Retinol     Data.Riboflavin   Data.Selenium    
##  Min.   : 0.000   Min.   :   0.00   Min.   : 0.0000   Min.   :   0.00  
##  1st Qu.: 2.220   1st Qu.:   0.00   1st Qu.: 0.0600   1st Qu.:   1.70  
##  Median : 6.190   Median :   8.00   Median : 0.1240   Median :   8.10  
##  Mean   : 8.599   Mean   :  49.83   Mean   : 0.1888   Mean   :  13.09  
##  3rd Qu.:12.130   3rd Qu.:  43.00   3rd Qu.: 0.2200   3rd Qu.:  20.00  
##  Max.   :78.130   Max.   :9349.00   Max.   :17.5000   Max.   :1917.00  
##  Data.Sugar Total  Data.Thiamin       Data.Water    Data.Fat.Monosaturated Fat
##  Min.   : 0.000   Min.   : 0.0000   Min.   : 0.00   Min.   : 0.000            
##  1st Qu.: 0.780   1st Qu.: 0.0400   1st Qu.:45.90   1st Qu.: 0.513            
##  Median : 2.390   Median : 0.0870   Median :66.59   Median : 1.869            
##  Mean   : 7.337   Mean   : 0.1714   Mean   :59.80   Mean   : 3.218            
##  3rd Qu.: 7.380   3rd Qu.: 0.1890   3rd Qu.:80.61   3rd Qu.: 4.433            
##  Max.   :99.800   Max.   :23.3750   Max.   :99.98   Max.   :75.221            
##  Data.Fat.Polysaturated Fat Data.Fat.Saturated Fat Data.Fat.Total Lipid
##  Min.   : 0.000             Min.   : 0.000         Min.   :  0.000     
##  1st Qu.: 0.338             1st Qu.: 0.503         1st Qu.:  2.060     
##  Median : 1.036             Median : 1.444         Median :  5.480     
##  Mean   : 2.174             Mean   : 2.795         Mean   :  8.958     
##  3rd Qu.: 2.625             3rd Qu.: 3.668         3rd Qu.: 12.650     
##  Max.   :67.849             Max.   :82.500         Max.   :100.000     
##  Data.Major Minerals.Calcium Data.Major Minerals.Copper
##  Min.   :   0.00             Min.   : 0.0000           
##  1st Qu.:  14.00             1st Qu.: 0.0500           
##  Median :  37.00             Median : 0.0790           
##  Mean   :  73.47             Mean   : 0.1416           
##  3rd Qu.:  92.00             3rd Qu.: 0.1280           
##  Max.   :1375.00             Max.   :14.4660           
##  Data.Major Minerals.Iron Data.Major Minerals.Magnesium
##  Min.   : 0.000           Min.   :  0.00               
##  1st Qu.: 0.460           1st Qu.: 12.00               
##  Median : 1.040           Median : 20.00               
##  Mean   : 1.752           Mean   : 27.79               
##  3rd Qu.: 1.840           3rd Qu.: 29.00               
##  Max.   :64.100           Max.   :611.00               
##  Data.Major Minerals.Phosphorus Data.Major Minerals.Potassium
##  Min.   :   0.0                 Min.   :   0.0               
##  1st Qu.:  48.0                 1st Qu.: 111.0               
##  Median : 102.0                 Median : 183.0               
##  Mean   : 133.1                 Mean   : 217.1               
##  3rd Qu.: 189.0                 3rd Qu.: 270.5               
##  Max.   :1429.0                 Max.   :6040.0               
##  Data.Major Minerals.Sodium Data.Major Minerals.Zinc
##  Min.   :   0.0             Min.   : 0.000          
##  1st Qu.: 124.0             1st Qu.: 0.360          
##  Median : 313.0             Median : 0.680          
##  Mean   : 340.5             Mean   : 1.281          
##  3rd Qu.: 454.0             3rd Qu.: 1.360          
##  Max.   :7851.0             Max.   :98.860          
##  Data.Vitamins.Vitamin A - RAE Data.Vitamins.Vitamin B12
##  Min.   :   0.00               Min.   : 0.0000          
##  1st Qu.:   2.00               1st Qu.: 0.0000          
##  Median :  20.00               Median : 0.1800          
##  Mean   :  73.14               Mean   : 0.7052          
##  3rd Qu.:  61.00               3rd Qu.: 0.5500          
##  Max.   :9363.00               Max.   :82.4400          
##  Data.Vitamins.Vitamin B6 Data.Vitamins.Vitamin C Data.Vitamins.Vitamin E
##  Min.   : 0.0000          Min.   :  0.000         Min.   :  0.000        
##  1st Qu.: 0.0520          1st Qu.:  0.000         1st Qu.:  0.230        
##  Median : 0.1100          Median :  0.700         Median :  0.550        
##  Mean   : 0.1975          Mean   :  5.696         Mean   :  1.087        
##  3rd Qu.: 0.2030          3rd Qu.:  5.300         3rd Qu.:  1.110        
##  Max.   :12.0000          Max.   :560.000         Max.   :149.400        
##  Data.Vitamins.Vitamin K
##  Min.   :   0.00        
##  1st Qu.:   0.80        
##  Median :   3.80        
##  Mean   :  14.21        
##  3rd Qu.:   9.30        
##  Max.   :1640.00

Очистка данных

Уберите переменные, в которых пропущенных значений больше 20% или уберите субъектов со слишком большим количеством пропущенных значений. Или совместите оба варианта. Напишите обоснование, почему вы выбрали тот или иной вариант:

Обоснование: нет пропущенных значений.

Переименуйте переменные в человекочитаемый вид (что делать с пробелами в названиях?);
В соответствии с описанием данных приведите переменные к нужному типу (numeric или factor);
Отсортируйте данные по возрасту (углеводам) по убыванию;
Сохраните в файл outliers.csv субъектов, которые являются выбросами (например, по правилу трёх сигм) — это необязательное задание со звёздочкой;
Отфильтруйте датасет так, чтобы остались только Rice и Cookie (переменная Category и есть группирующая);
Присвойте получившийся датасет переменной “cleaned_data”.

food %>% summarise_all(~ sum(is.na(.)))  #проверка наличия пропущенных значений

names(food) <- names(food) %>% str_replace_all("\\.", "_") %>% str_replace_all(" ", "_") %>% str_remove_all("Data_") %>%  str_remove_all ("-_|Major_|Fat_|Vitamins_")

outliers_ci <- food  %>%  mutate(Outlier = (Carbohydrate < quantile(Carbohydrate, 0.25) - IQR(Carbohydrate)*1.5 |
           Carbohydrate > quantile(Carbohydrate, 0.75) + IQR(Carbohydrate)*1.5)) %>% filter(Outlier)  # outliers СI

# Сохраним значения outliers в отдельный .csv
outliers <- food %>%  mutate (Outlier1 = Carbohydrate > mean(Carbohydrate) + 3*sd(Carbohydrate) |
           Carbohydrate < mean(Carbohydrate) - 3*sd(Carbohydrate))  %>% filter(Outlier1==  T) %>% select (!Outlier1)   # по правилу 3 сигм

write.csv(outliers, "outliers.csv", row.names = FALSE)

cleaned_data <- food %>% mutate (Category= as.factor(Category), `Nutrient_Bank_Number`= as.factor(`Nutrient_Bank_Number`)) %>% arrange(desc(Carbohydrate)) %>% filter (Category %in% c("Rice", "Cookie"))
cleaned_data$Category <- droplevels(cleaned_data$Category) # удалим убранные уровни фактора

Сколько осталось переменных?

length (cleaned_data)

## [1] 38

paste0 ("new dataframe contains ",  length (cleaned_data) , " variables")

## [1] "new dataframe contains 38 variables"

Сколько осталось случаев?

nrow (cleaned_data)

## [1] 243

paste0 ("new dataframe contains ",  nrow(cleaned_data) , " rows")

## [1] "new dataframe contains 243 rows"

Есть ли в данных идентичные строки?

  dupl<-duplicated(cleaned_data)
  ifelse (length (dupl [dupl== T]) >0 , "there are identical variables", "no indentical variables")

## [1] "no indentical variables"

# либо вывести идентичные строки 
  cleaned_data|>
  group_by_all() |>
  filter(n() > 1) |>
  ungroup()

Сколько всего переменных с пропущенными значениями в данных и сколько пропущенных точек в каждой такой переменной?

# с пропущенными значениями

var_with_NA<-cleaned_data %>% select (where(~sum(is.na(.)) > 0)) %>%  length()
paste0 ("dataframe cleaned_data contains ",  var_with_NA, " variables with missing values")

## [1] "dataframe cleaned_data contains 0 variables with missing values"

#  сколько пропущенных значений в каждой переменной

food %>% summarise_all(~ sum(is.na(.)))  %>% pivot_longer(cols = everything())

Описательные статистики

Количественные переменные

Рассчитайте для всех количественных переменных для каждой группы (Category):

1.1) Количество значений;

1.2) Количество пропущенных значений;

1.3) Среднее;

1.4) Медиану;

1.5) Стандартное отклонение;

1.6) 25% квантиль и 75% квантиль;

1.7) Интерквартильный размах;

1.8) Минимум;

1.9) Максимум;

1.10) 95% ДИ для среднего - задание со звёздочкой.

statistics <- list(
      `Количество значений` = ~length(.x) %>%as.character(),
      `Количество пропущенных значений` = ~sum(is.na(.x)) %>%as.character(),
      `Среднее значение` = ~ifelse(sum(!is.na(.x)) == 0, "Н/П*", mean(.x, na.rm = TRUE) %>% round(2) %>% as.character()),
      `Медиана` = ~ifelse(sum(!is.na(.x)) == 0, "Н/П*", median (.x, na.rm = TRUE) %>% round(2) %>% as.character()),
      `Станд. отклон.` = ~ifelse(sum(!is.na(.x)) < 3, "Н/П*", sd(.x, na.rm = TRUE) %>% round(2) %>% as.character()),
      `Q1 - Q3` = ~ifelse(sum(!is.na(.x)) == 0, "Н/П*", paste0(quantile(.x, 0.25, na.rm = TRUE) %>% round(2), " - ", quantile(.x, 0.75, na.rm = TRUE) %>% round(2))),
      `IQR` = ~ifelse(sum(!is.na(.x)) == 0, "Н/П*", round(quantile(.x, 0.75, na.rm = TRUE) -  quantile(.x, 0.25, na.rm = TRUE), 2))%>% as.character(),
      `мин. - макс.` = ~ifelse(sum(!is.na(.x)) == 0, "Н/П*", paste0(min(.x, na.rm = TRUE) %>% round(2), " - ", max(.x, na.rm = TRUE) %>% round(2))),
      `CI` = ~ifelse(sum(!is.na(.x)) == 0, "Н/П*", paste0( (mean(.x, na.rm = TRUE) - (1.96 * sd(.x, na.rm = TRUE)/sqrt (length(.x)))) %>% round(2) , " - ", (mean(.x, na.rm = TRUE) + (1.96 * sd(.x, na.rm = TRUE)/sqrt(length(.x)))) %>% round(2)))
      )

cleaned_data %>%
  select (Category, where ( is.numeric)) %>%
  group_by (Category) %>%
  summarise (across(where(is.numeric), statistics)) %>%
  pivot_longer (!Category) %>%
  separate (name, into = c ("Переменная", "Статистика"), sep= "_(?!.*_)") %>%
  rename (`Значение` = value, `Категория` = Category) %>%
  flextable()

Категория	Переменная	Статистика	Значение
Cookie	Alpha_Carotene	Количество значений	100
Cookie	Alpha_Carotene	Количество пропущенных значений	0
Cookie	Alpha_Carotene	Среднее значение	8.25
Cookie	Alpha_Carotene	Медиана	0
Cookie	Alpha_Carotene	Станд. отклон.	80.99
Cookie	Alpha_Carotene	Q1 - Q3	0 - 0
Cookie	Alpha_Carotene	IQR	0
Cookie	Alpha_Carotene	мин. - макс.	0 - 810
Cookie	Alpha_Carotene	CI	-7.62 - 24.12
Cookie	Beta_Carotene	Количество значений	100
Cookie	Beta_Carotene	Количество пропущенных значений	0
Cookie	Beta_Carotene	Среднее значение	17.43
Cookie	Beta_Carotene	Медиана	0
Cookie	Beta_Carotene	Станд. отклон.	102.62
Cookie	Beta_Carotene	Q1 - Q3	0 - 1
Cookie	Beta_Carotene	IQR	1
Cookie	Beta_Carotene	мин. - макс.	0 - 1002
Cookie	Beta_Carotene	CI	-2.68 - 37.54
Cookie	Beta_Cryptoxanthin	Количество значений	100
Cookie	Beta_Cryptoxanthin	Количество пропущенных значений	0
Cookie	Beta_Cryptoxanthin	Среднее значение	0.38
Cookie	Beta_Cryptoxanthin	Медиана	0
Cookie	Beta_Cryptoxanthin	Станд. отклон.	1.98
Cookie	Beta_Cryptoxanthin	Q1 - Q3	0 - 0
Cookie	Beta_Cryptoxanthin	IQR	0
Cookie	Beta_Cryptoxanthin	мин. - макс.	0 - 18
Cookie	Beta_Cryptoxanthin	CI	-0.01 - 0.77
Cookie	Carbohydrate	Количество значений	100
Cookie	Carbohydrate	Количество пропущенных значений	0
Cookie	Carbohydrate	Среднее значение	68.09
Cookie	Carbohydrate	Медиана	67.78
Cookie	Carbohydrate	Станд. отклон.	6.95
Cookie	Carbohydrate	Q1 - Q3	63.87 - 72.22
Cookie	Carbohydrate	IQR	8.35
Cookie	Carbohydrate	мин. - макс.	50.52 - 84
Cookie	Carbohydrate	CI	66.72 - 69.45
Cookie	Cholesterol	Количество значений	100
Cookie	Cholesterol	Количество пропущенных значений	0
Cookie	Cholesterol	Среднее значение	8.68
Cookie	Cholesterol	Медиана	0
Cookie	Cholesterol	Станд. отклон.	26.92
Cookie	Cholesterol	Q1 - Q3	0 - 2
Cookie	Cholesterol	IQR	2
Cookie	Cholesterol	мин. - макс.	0 - 221
Cookie	Cholesterol	CI	3.4 - 13.96
Cookie	Choline	Количество значений	100
Cookie	Choline	Количество пропущенных значений	0
Cookie	Choline	Среднее значение	13.28
Cookie	Choline	Медиана	11.05
Cookie	Choline	Станд. отклон.	12.36
Cookie	Choline	Q1 - Q3	6.7 - 14.6
Cookie	Choline	IQR	7.9
Cookie	Choline	мин. - макс.	0 - 92
Cookie	Choline	CI	10.85 - 15.7
Cookie	Fiber	Количество значений	100
Cookie	Fiber	Количество пропущенных значений	0
Cookie	Fiber	Среднее значение	2.67
Cookie	Fiber	Медиана	2.1
Cookie	Fiber	Станд. отклон.	2.5
Cookie	Fiber	Q1 - Q3	1.48 - 3
Cookie	Fiber	IQR	1.52
Cookie	Fiber	мин. - макс.	0 - 16.1
Cookie	Fiber	CI	2.18 - 3.16
Cookie	Lutein_and_Zeaxanthin	Количество значений	100
Cookie	Lutein_and_Zeaxanthin	Количество пропущенных значений	0
Cookie	Lutein_and_Zeaxanthin	Среднее значение	23.15
Cookie	Lutein_and_Zeaxanthin	Медиана	8
Cookie	Lutein_and_Zeaxanthin	Станд. отклон.	38.93
Cookie	Lutein_and_Zeaxanthin	Q1 - Q3	3 - 29
Cookie	Lutein_and_Zeaxanthin	IQR	26
Cookie	Lutein_and_Zeaxanthin	мин. - макс.	0 - 266
Cookie	Lutein_and_Zeaxanthin	CI	15.52 - 30.78
Cookie	Lycopene	Количество значений	100
Cookie	Lycopene	Количество пропущенных значений	0
Cookie	Lycopene	Среднее значение	0.02
Cookie	Lycopene	Медиана	0
Cookie	Lycopene	Станд. отклон.	0.2
Cookie	Lycopene	Q1 - Q3	0 - 0
Cookie	Lycopene	IQR	0
Cookie	Lycopene	мин. - макс.	0 - 2
Cookie	Lycopene	CI	-0.02 - 0.06
Cookie	Niacin	Количество значений	100
Cookie	Niacin	Количество пропущенных значений	0
Cookie	Niacin	Среднее значение	2.72
Cookie	Niacin	Медиана	2.23
Cookie	Niacin	Станд. отклон.	2.07
Cookie	Niacin	Q1 - Q3	1.75 - 3.14
Cookie	Niacin	IQR	1.39
Cookie	Niacin	мин. - макс.	0.05 - 15.97
Cookie	Niacin	CI	2.31 - 3.12
Cookie	Protein	Количество значений	100
Cookie	Protein	Количество пропущенных значений	0
Cookie	Protein	Среднее значение	5.34
Cookie	Protein	Медиана	5
Cookie	Protein	Станд. отклон.	2.16
Cookie	Protein	Q1 - Q3	3.8 - 6.2
Cookie	Protein	IQR	2.4
Cookie	Protein	мин. - макс.	2.19 - 12.5
Cookie	Protein	CI	4.92 - 5.76
Cookie	Retinol	Количество значений	100
Cookie	Retinol	Количество пропущенных значений	0
Cookie	Retinol	Среднее значение	20.13
Cookie	Retinol	Медиана	0.5
Cookie	Retinol	Станд. отклон.	57.16
Cookie	Retinol	Q1 - Q3	0 - 7
Cookie	Retinol	IQR	7
Cookie	Retinol	мин. - макс.	0 - 270
Cookie	Retinol	CI	8.93 - 31.33
Cookie	Riboflavin	Количество значений	100
Cookie	Riboflavin	Количество пропущенных значений	0
Cookie	Riboflavin	Среднее значение	0.28
Cookie	Riboflavin	Медиана	0.23
Cookie	Riboflavin	Станд. отклон.	0.33
Cookie	Riboflavin	Q1 - Q3	0.19 - 0.29
Cookie	Riboflavin	IQR	0.11
Cookie	Riboflavin	мин. - макс.	0.04 - 3.23
Cookie	Riboflavin	CI	0.21 - 0.34
Cookie	Selenium	Количество значений	100
Cookie	Selenium	Количество пропущенных значений	0
Cookie	Selenium	Среднее значение	8.13
Cookie	Selenium	Медиана	6.3
Cookie	Selenium	Станд. отклон.	4.98
Cookie	Selenium	Q1 - Q3	4.75 - 10
Cookie	Selenium	IQR	5.25
Cookie	Selenium	мин. - макс.	0 - 24.7
Cookie	Selenium	CI	7.16 - 9.11
Cookie	Sugar_Total	Количество значений	100
Cookie	Sugar_Total	Количество пропущенных значений	0
Cookie	Sugar_Total	Среднее значение	32.71
Cookie	Sugar_Total	Медиана	32.9
Cookie	Sugar_Total	Станд. отклон.	12.45
Cookie	Sugar_Total	Q1 - Q3	24.66 - 41.11
Cookie	Sugar_Total	IQR	16.45
Cookie	Sugar_Total	мин. - макс.	0 - 80.35
Cookie	Sugar_Total	CI	30.27 - 35.15
Cookie	Thiamin	Количество значений	100
Cookie	Thiamin	Количество пропущенных значений	0
Cookie	Thiamin	Среднее значение	0.27
Cookie	Thiamin	Медиана	0.26
Cookie	Thiamin	Станд. отклон.	0.18
Cookie	Thiamin	Q1 - Q3	0.18 - 0.3
Cookie	Thiamin	IQR	0.12
Cookie	Thiamin	мин. - макс.	0 - 1.46
Cookie	Thiamin	CI	0.24 - 0.3
Cookie	Water	Количество значений	100
Cookie	Water	Количество пропущенных значений	0
Cookie	Water	Среднее значение	7.89
Cookie	Water	Медиана	5.76
Cookie	Water	Станд. отклон.	5.79
Cookie	Water	Q1 - Q3	3.6 - 11.5
Cookie	Water	IQR	7.9
Cookie	Water	мин. - макс.	0.7 - 24.83
Cookie	Water	CI	6.75 - 9.02
Cookie	Monosaturated_Fat	Количество значений	100
Cookie	Monosaturated_Fat	Количество пропущенных значений	0
Cookie	Monosaturated_Fat	Среднее значение	6.08
Cookie	Monosaturated_Fat	Медиана	6.07
Cookie	Monosaturated_Fat	Станд. отклон.	3.23
Cookie	Monosaturated_Fat	Q1 - Q3	3.29 - 8.5
Cookie	Monosaturated_Fat	IQR	5.21
Cookie	Monosaturated_Fat	мин. - макс.	0 - 16.08
Cookie	Monosaturated_Fat	CI	5.44 - 6.71
Cookie	Polysaturated_Fat	Количество значений	100
Cookie	Polysaturated_Fat	Количество пропущенных значений	0
Cookie	Polysaturated_Fat	Среднее значение	4.12
Cookie	Polysaturated_Fat	Медиана	3.26
Cookie	Polysaturated_Fat	Станд. отклон.	2.62
Cookie	Polysaturated_Fat	Q1 - Q3	2.26 - 5.75
Cookie	Polysaturated_Fat	IQR	3.49
Cookie	Polysaturated_Fat	мин. - макс.	0 - 11.49
Cookie	Polysaturated_Fat	CI	3.61 - 4.63
Cookie	Saturated_Fat	Количество значений	100
Cookie	Saturated_Fat	Количество пропущенных значений	0
Cookie	Saturated_Fat	Среднее значение	6.04
Cookie	Saturated_Fat	Медиана	4.61
Cookie	Saturated_Fat	Станд. отклон.	4.58
Cookie	Saturated_Fat	Q1 - Q3	3.05 - 8.09
Cookie	Saturated_Fat	IQR	5.04
Cookie	Saturated_Fat	мин. - макс.	0 - 20.1
Cookie	Saturated_Fat	CI	5.14 - 6.94
Cookie	Total_Lipid	Количество значений	100
Cookie	Total_Lipid	Количество пропущенных значений	0
Cookie	Total_Lipid	Среднее значение	17.33
Cookie	Total_Lipid	Медиана	17.95
Cookie	Total_Lipid	Станд. отклон.	7.12
Cookie	Total_Lipid	Q1 - Q3	13.1 - 22.55
Cookie	Total_Lipid	IQR	9.45
Cookie	Total_Lipid	мин. - макс.	0.34 - 35.3
Cookie	Total_Lipid	CI	15.93 - 18.72
Cookie	Minerals_Calcium	Количество значений	100
Cookie	Minerals_Calcium	Количество пропущенных значений	0
Cookie	Minerals_Calcium	Среднее значение	33.18
Cookie	Minerals_Calcium	Медиана	28
Cookie	Minerals_Calcium	Станд. отклон.	35.29
Cookie	Minerals_Calcium	Q1 - Q3	12 - 46
Cookie	Minerals_Calcium	IQR	34
Cookie	Minerals_Calcium	мин. - макс.	0 - 263
Cookie	Minerals_Calcium	CI	26.26 - 40.1
Cookie	Minerals_Copper	Количество значений	100
Cookie	Minerals_Copper	Количество пропущенных значений	0
Cookie	Minerals_Copper	Среднее значение	0.2
Cookie	Minerals_Copper	Медиана	0.18
Cookie	Minerals_Copper	Станд. отклон.	0.11
Cookie	Minerals_Copper	Q1 - Q3	0.11 - 0.27
Cookie	Minerals_Copper	IQR	0.16
Cookie	Minerals_Copper	мин. - макс.	0.02 - 0.58
Cookie	Minerals_Copper	CI	0.18 - 0.23
Cookie	Minerals_Iron	Количество значений	100
Cookie	Minerals_Iron	Количество пропущенных значений	0
Cookie	Minerals_Iron	Среднее значение	3.03
Cookie	Minerals_Iron	Медиана	2.58
Cookie	Minerals_Iron	Станд. отклон.	1.91
Cookie	Minerals_Iron	Q1 - Q3	2.2 - 3.21
Cookie	Minerals_Iron	IQR	1.01
Cookie	Minerals_Iron	мин. - макс.	0 - 12.14
Cookie	Minerals_Iron	CI	2.66 - 3.41
Cookie	Minerals_Magnesium	Количество значений	100
Cookie	Minerals_Magnesium	Количество пропущенных значений	0
Cookie	Minerals_Magnesium	Среднее значение	30.81
Cookie	Minerals_Magnesium	Медиана	31
Cookie	Minerals_Magnesium	Станд. отклон.	16.97
Cookie	Minerals_Magnesium	Q1 - Q3	15.5 - 40.25
Cookie	Minerals_Magnesium	IQR	24.75
Cookie	Minerals_Magnesium	мин. - макс.	6 - 101
Cookie	Minerals_Magnesium	CI	27.48 - 34.14
Cookie	Minerals_Phosphorus	Количество значений	100
Cookie	Minerals_Phosphorus	Количество пропущенных значений	0
Cookie	Minerals_Phosphorus	Среднее значение	98.48
Cookie	Minerals_Phosphorus	Медиана	94
Cookie	Minerals_Phosphorus	Станд. отклон.	47.59
Cookie	Minerals_Phosphorus	Q1 - Q3	66 - 122.25
Cookie	Minerals_Phosphorus	IQR	56.25
Cookie	Minerals_Phosphorus	мин. - макс.	5 - 277
Cookie	Minerals_Phosphorus	CI	89.15 - 107.81
Cookie	Minerals_Potassium	Количество значений	100
Cookie	Minerals_Potassium	Количество пропущенных значений	0
Cookie	Minerals_Potassium	Среднее значение	170.69
Cookie	Minerals_Potassium	Медиана	149
Cookie	Minerals_Potassium	Станд. отклон.	90.42
Cookie	Minerals_Potassium	Q1 - Q3	110 - 207
Cookie	Minerals_Potassium	IQR	97
Cookie	Minerals_Potassium	мин. - макс.	39 - 504
Cookie	Minerals_Potassium	CI	152.97 - 188.41
Cookie	Minerals_Sodium	Количество значений	100
Cookie	Minerals_Sodium	Количество пропущенных значений	0
Cookie	Minerals_Sodium	Среднее значение	336.08
Cookie	Minerals_Sodium	Медиана	350
Cookie	Minerals_Sodium	Станд. отклон.	123.71
Cookie	Minerals_Sodium	Q1 - Q3	256.75 - 403.75
Cookie	Minerals_Sodium	IQR	147
Cookie	Minerals_Sodium	мин. - макс.	9 - 580
Cookie	Minerals_Sodium	CI	311.83 - 360.33
Cookie	Minerals_Zinc	Количество значений	100
Cookie	Minerals_Zinc	Количество пропущенных значений	0
Cookie	Minerals_Zinc	Среднее значение	0.64
Cookie	Minerals_Zinc	Медиана	0.63
Cookie	Minerals_Zinc	Станд. отклон.	0.29
Cookie	Minerals_Zinc	Q1 - Q3	0.45 - 0.75
Cookie	Minerals_Zinc	IQR	0.3
Cookie	Minerals_Zinc	мин. - макс.	0.03 - 1.6
Cookie	Minerals_Zinc	CI	0.58 - 0.69
Cookie	Vitamin_A_RAE	Количество значений	100
Cookie	Vitamin_A_RAE	Количество пропущенных значений	0
Cookie	Vitamin_A_RAE	Среднее значение	21.96
Cookie	Vitamin_A_RAE	Медиана	1
Cookie	Vitamin_A_RAE	Станд. отклон.	58.92
Cookie	Vitamin_A_RAE	Q1 - Q3	0 - 8
Cookie	Vitamin_A_RAE	IQR	8
Cookie	Vitamin_A_RAE	мин. - макс.	0 - 270
Cookie	Vitamin_A_RAE	CI	10.41 - 33.51
Cookie	Vitamin_B12	Количество значений	100
Cookie	Vitamin_B12	Количество пропущенных значений	0
Cookie	Vitamin_B12	Среднее значение	0.06
Cookie	Vitamin_B12	Медиана	0.01
Cookie	Vitamin_B12	Станд. отклон.	0.11
Cookie	Vitamin_B12	Q1 - Q3	0 - 0.07
Cookie	Vitamin_B12	IQR	0.07
Cookie	Vitamin_B12	мин. - макс.	0 - 0.75
Cookie	Vitamin_B12	CI	0.04 - 0.08
Cookie	Vitamin_B6	Количество значений	100
Cookie	Vitamin_B6	Количество пропущенных значений	0
Cookie	Vitamin_B6	Среднее значение	0.16
Cookie	Vitamin_B6	Медиана	0.06
Cookie	Vitamin_B6	Станд. отклон.	0.61
Cookie	Vitamin_B6	Q1 - Q3	0.03 - 0.09
Cookie	Vitamin_B6	IQR	0.07
Cookie	Vitamin_B6	мин. - макс.	0 - 5.9
Cookie	Vitamin_B6	CI	0.04 - 0.28
Cookie	Vitamin_C	Количество значений	100
Cookie	Vitamin_C	Количество пропущенных значений	0
Cookie	Vitamin_C	Среднее значение	0.34
Cookie	Vitamin_C	Медиана	0
Cookie	Vitamin_C	Станд. отклон.	1.24
Cookie	Vitamin_C	Q1 - Q3	0 - 0.1
Cookie	Vitamin_C	IQR	0.1
Cookie	Vitamin_C	мин. - макс.	0 - 9.1
Cookie	Vitamin_C	CI	0.1 - 0.58
Cookie	Vitamin_E	Количество значений	100
Cookie	Vitamin_E	Количество пропущенных значений	0
Cookie	Vitamin_E	Среднее значение	1.31
Cookie	Vitamin_E	Медиана	1.08
Cookie	Vitamin_E	Станд. отклон.	1.02
Cookie	Vitamin_E	Q1 - Q3	0.26 - 2.12
Cookie	Vitamin_E	IQR	1.86
Cookie	Vitamin_E	мин. - макс.	0 - 4.32
Cookie	Vitamin_E	CI	1.11 - 1.51
Cookie	Vitamin_K	Количество значений	100
Cookie	Vitamin_K	Количество пропущенных значений	0
Cookie	Vitamin_K	Среднее значение	8.41
Cookie	Vitamin_K	Медиана	5.85
Cookie	Vitamin_K	Станд. отклон.	8.73
Cookie	Vitamin_K	Q1 - Q3	3.8 - 8
Cookie	Vitamin_K	IQR	4.2
Cookie	Vitamin_K	мин. - макс.	0 - 34.8
Cookie	Vitamin_K	CI	6.7 - 10.13
Rice	Alpha_Carotene	Количество значений	143
Rice	Alpha_Carotene	Количество пропущенных значений	0
Rice	Alpha_Carotene	Среднее значение	125.06
Rice	Alpha_Carotene	Медиана	4
Rice	Alpha_Carotene	Станд. отклон.	211.16
Rice	Alpha_Carotene	Q1 - Q3	0 - 193
Rice	Alpha_Carotene	IQR	193
Rice	Alpha_Carotene	мин. - макс.	0 - 926
Rice	Alpha_Carotene	CI	90.45 - 159.67
Rice	Beta_Carotene	Количество значений	143
Rice	Beta_Carotene	Количество пропущенных значений	0
Rice	Beta_Carotene	Среднее значение	310.92
Rice	Beta_Carotene	Медиана	74
Rice	Beta_Carotene	Станд. отклон.	469.49
Rice	Beta_Carotene	Q1 - Q3	6 - 415
Rice	Beta_Carotene	IQR	409
Rice	Beta_Carotene	мин. - макс.	0 - 2044
Rice	Beta_Carotene	CI	233.97 - 387.87
Rice	Beta_Cryptoxanthin	Количество значений	143
Rice	Beta_Cryptoxanthin	Количество пропущенных значений	0
Rice	Beta_Cryptoxanthin	Среднее значение	1.25
Rice	Beta_Cryptoxanthin	Медиана	0
Rice	Beta_Cryptoxanthin	Станд. отклон.	5.79
Rice	Beta_Cryptoxanthin	Q1 - Q3	0 - 0
Rice	Beta_Cryptoxanthin	IQR	0
Rice	Beta_Cryptoxanthin	мин. - макс.	0 - 31
Rice	Beta_Cryptoxanthin	CI	0.3 - 2.2
Rice	Carbohydrate	Количество значений	143
Rice	Carbohydrate	Количество пропущенных значений	0
Rice	Carbohydrate	Среднее значение	21.95
Rice	Carbohydrate	Медиана	21.36
Rice	Carbohydrate	Станд. отклон.	3.21
Rice	Carbohydrate	Q1 - Q3	19.82 - 23.22
Rice	Carbohydrate	IQR	3.4
Rice	Carbohydrate	мин. - макс.	15.03 - 32.5
Rice	Carbohydrate	CI	21.42 - 22.47
Rice	Cholesterol	Количество значений	143
Rice	Cholesterol	Количество пропущенных значений	0
Rice	Cholesterol	Среднее значение	2.51
Rice	Cholesterol	Медиана	0
Rice	Cholesterol	Станд. отклон.	6.65
Rice	Cholesterol	Q1 - Q3	0 - 1
Rice	Cholesterol	IQR	1
Rice	Cholesterol	мин. - макс.	0 - 47
Rice	Cholesterol	CI	1.42 - 3.6
Rice	Choline	Количество значений	143
Rice	Choline	Количество пропущенных значений	0
Rice	Choline	Среднее значение	7.63
Rice	Choline	Медиана	7.6
Rice	Choline	Станд. отклон.	4.22
Rice	Choline	Q1 - Q3	3.8 - 9.9
Rice	Choline	IQR	6.1
Rice	Choline	мин. - макс.	1.1 - 25
Rice	Choline	CI	6.93 - 8.32
Rice	Fiber	Количество значений	143
Rice	Fiber	Количество пропущенных значений	0
Rice	Fiber	Среднее значение	1.24
Rice	Fiber	Медиана	1.1
Rice	Fiber	Станд. отклон.	0.7
Rice	Fiber	Q1 - Q3	0.9 - 1.7
Rice	Fiber	IQR	0.8
Rice	Fiber	мин. - макс.	0.1 - 4.3
Rice	Fiber	CI	1.13 - 1.35
Rice	Lutein_and_Zeaxanthin	Количество значений	143
Rice	Lutein_and_Zeaxanthin	Количество пропущенных значений	0
Rice	Lutein_and_Zeaxanthin	Среднее значение	115.45
Rice	Lutein_and_Zeaxanthin	Медиана	88
Rice	Lutein_and_Zeaxanthin	Станд. отклон.	134.62
Rice	Lutein_and_Zeaxanthin	Q1 - Q3	0 - 165
Rice	Lutein_and_Zeaxanthin	IQR	165
Rice	Lutein_and_Zeaxanthin	мин. - макс.	0 - 600
Rice	Lutein_and_Zeaxanthin	CI	93.38 - 137.51
Rice	Lycopene	Количество значений	143
Rice	Lycopene	Количество пропущенных значений	0
Rice	Lycopene	Среднее значение	79.46
Rice	Lycopene	Медиана	0
Rice	Lycopene	Станд. отклон.	193.81
Rice	Lycopene	Q1 - Q3	0 - 0
Rice	Lycopene	IQR	0
Rice	Lycopene	мин. - макс.	0 - 849
Rice	Lycopene	CI	47.7 - 111.23
Rice	Niacin	Количество значений	143
Rice	Niacin	Количество пропущенных значений	0
Rice	Niacin	Среднее значение	1.56
Rice	Niacin	Медиана	1.43
Rice	Niacin	Станд. отклон.	0.49
Rice	Niacin	Q1 - Q3	1.21 - 2.04
Rice	Niacin	IQR	0.83
Rice	Niacin	мин. - макс.	0.29 - 2.55
Rice	Niacin	CI	1.48 - 1.64
Rice	Protein	Количество значений	143
Rice	Protein	Количество пропущенных значений	0
Rice	Protein	Среднее значение	2.89
Rice	Protein	Медиана	2.47
Rice	Protein	Станд. отклон.	1.2
Rice	Protein	Q1 - Q3	2.2 - 2.8
Rice	Protein	IQR	0.59
Rice	Protein	мин. - макс.	1.16 - 7.86
Rice	Protein	CI	2.7 - 3.09
Rice	Retinol	Количество значений	143
Rice	Retinol	Количество пропущенных значений	0
Rice	Retinol	Среднее значение	4.69
Rice	Retinol	Медиана	0
Rice	Retinol	Станд. отклон.	10.62
Rice	Retinol	Q1 - Q3	0 - 0
Rice	Retinol	IQR	0
Rice	Retinol	мин. - макс.	0 - 71
Rice	Retinol	CI	2.95 - 6.43
Rice	Riboflavin	Количество значений	143
Rice	Riboflavin	Количество пропущенных значений	0
Rice	Riboflavin	Среднее значение	0.05
Rice	Riboflavin	Медиана	0.05
Rice	Riboflavin	Станд. отклон.	0.03
Rice	Riboflavin	Q1 - Q3	0.03 - 0.07
Rice	Riboflavin	IQR	0.04
Rice	Riboflavin	мин. - макс.	0.01 - 0.16
Rice	Riboflavin	CI	0.05 - 0.06
Rice	Selenium	Количество значений	143
Rice	Selenium	Количество пропущенных значений	0
Rice	Selenium	Среднее значение	5.28
Rice	Selenium	Медиана	5.1
Rice	Selenium	Станд. отклон.	1.74
Rice	Selenium	Q1 - Q3	4.45 - 5.7
Rice	Selenium	IQR	1.25
Rice	Selenium	мин. - макс.	0.8 - 14.5
Rice	Selenium	CI	5 - 5.57
Rice	Sugar_Total	Количество значений	143
Rice	Sugar_Total	Количество пропущенных значений	0
Rice	Sugar_Total	Среднее значение	0.87
Rice	Sugar_Total	Медиана	0.74
Rice	Sugar_Total	Станд. отклон.	1
Rice	Sugar_Total	Q1 - Q3	0.38 - 0.98
Rice	Sugar_Total	IQR	0.6
Rice	Sugar_Total	мин. - макс.	0.05 - 8.76
Rice	Sugar_Total	CI	0.7 - 1.03
Rice	Thiamin	Количество значений	143
Rice	Thiamin	Количество пропущенных значений	0
Rice	Thiamin	Среднее значение	0.15
Rice	Thiamin	Медиана	0.14
Rice	Thiamin	Станд. отклон.	0.05
Rice	Thiamin	Q1 - Q3	0.12 - 0.17
Rice	Thiamin	IQR	0.05
Rice	Thiamin	мин. - макс.	0.01 - 0.3
Rice	Thiamin	CI	0.14 - 0.16
Rice	Water	Количество значений	143
Rice	Water	Количество пропущенных значений	0
Rice	Water	Среднее значение	71.72
Rice	Water	Медиана	72.59
Rice	Water	Станд. отклон.	4.62
Rice	Water	Q1 - Q3	69.8 - 74.48
Rice	Water	IQR	4.68
Rice	Water	мин. - макс.	51.52 - 83.14
Rice	Water	CI	70.97 - 72.48
Rice	Monosaturated_Fat	Количество значений	143
Rice	Monosaturated_Fat	Количество пропущенных значений	0
Rice	Monosaturated_Fat	Среднее значение	0.84
Rice	Monosaturated_Fat	Медиана	0.96
Rice	Monosaturated_Fat	Станд. отклон.	0.56
Rice	Monosaturated_Fat	Q1 - Q3	0.32 - 1.06
Rice	Monosaturated_Fat	IQR	0.74
Rice	Monosaturated_Fat	мин. - макс.	0.03 - 2.61
Rice	Monosaturated_Fat	CI	0.75 - 0.93
Rice	Polysaturated_Fat	Количество значений	143
Rice	Polysaturated_Fat	Количество пропущенных значений	0
Rice	Polysaturated_Fat	Среднее значение	0.73
Rice	Polysaturated_Fat	Медиана	0.91
Rice	Polysaturated_Fat	Станд. отклон.	0.46
Rice	Polysaturated_Fat	Q1 - Q3	0.3 - 1.05
Rice	Polysaturated_Fat	IQR	0.75
Rice	Polysaturated_Fat	мин. - макс.	0.03 - 2.56
Rice	Polysaturated_Fat	CI	0.66 - 0.81
Rice	Saturated_Fat	Количество значений	143
Rice	Saturated_Fat	Количество пропущенных значений	0
Rice	Saturated_Fat	Среднее значение	0.68
Rice	Saturated_Fat	Медиана	0.41
Rice	Saturated_Fat	Станд. отклон.	1.38
Rice	Saturated_Fat	Q1 - Q3	0.23 - 0.5
Rice	Saturated_Fat	IQR	0.27
Rice	Saturated_Fat	мин. - макс.	0.03 - 15.17
Rice	Saturated_Fat	CI	0.45 - 0.91
Rice	Total_Lipid	Количество значений	143
Rice	Total_Lipid	Количество пропущенных значений	0
Rice	Total_Lipid	Среднее значение	2.4
Rice	Total_Lipid	Медиана	2.42
Rice	Total_Lipid	Станд. отклон.	1.98
Rice	Total_Lipid	Q1 - Q3	0.89 - 2.71
Rice	Total_Lipid	IQR	1.82
Rice	Total_Lipid	мин. - макс.	0.09 - 17.23
Rice	Total_Lipid	CI	2.08 - 2.72
Rice	Minerals_Calcium	Количество значений	143
Rice	Minerals_Calcium	Количество пропущенных значений	0
Rice	Minerals_Calcium	Среднее значение	19.69
Rice	Minerals_Calcium	Медиана	11
Rice	Minerals_Calcium	Станд. отклон.	27.38
Rice	Minerals_Calcium	Q1 - Q3	8 - 16.5
Rice	Minerals_Calcium	IQR	8.5
Rice	Minerals_Calcium	мин. - макс.	2 - 133
Rice	Minerals_Calcium	CI	15.2 - 24.18
Rice	Minerals_Copper	Количество значений	143
Rice	Minerals_Copper	Количество пропущенных значений	0
Rice	Minerals_Copper	Среднее значение	0.08
Rice	Minerals_Copper	Медиана	0.08
Rice	Minerals_Copper	Станд. отклон.	0.03
Rice	Minerals_Copper	Q1 - Q3	0.06 - 0.09
Rice	Minerals_Copper	IQR	0.03
Rice	Minerals_Copper	мин. - макс.	0.03 - 0.25
Rice	Minerals_Copper	CI	0.07 - 0.08
Rice	Minerals_Iron	Количество значений	143
Rice	Minerals_Iron	Количество пропущенных значений	0
Rice	Minerals_Iron	Среднее значение	0.92
Rice	Minerals_Iron	Медиана	0.81
Rice	Minerals_Iron	Станд. отклон.	0.77
Rice	Minerals_Iron	Q1 - Q3	0.55 - 1
Rice	Minerals_Iron	IQR	0.45
Rice	Minerals_Iron	мин. - макс.	0.14 - 5.01
Rice	Minerals_Iron	CI	0.79 - 1.04
Rice	Minerals_Magnesium	Количество значений	143
Rice	Minerals_Magnesium	Количество пропущенных значений	0
Rice	Minerals_Magnesium	Среднее значение	21.45
Rice	Minerals_Magnesium	Медиана	16
Rice	Minerals_Magnesium	Станд. отклон.	10.55
Rice	Minerals_Magnesium	Q1 - Q3	12 - 32
Rice	Minerals_Magnesium	IQR	20
Rice	Minerals_Magnesium	мин. - макс.	5 - 39
Rice	Minerals_Magnesium	CI	19.73 - 23.18
Rice	Minerals_Phosphorus	Количество значений	143
Rice	Minerals_Phosphorus	Количество пропущенных значений	0
Rice	Minerals_Phosphorus	Среднее значение	68.73
Rice	Minerals_Phosphorus	Медиана	74
Rice	Minerals_Phosphorus	Станд. отклон.	29.22
Rice	Minerals_Phosphorus	Q1 - Q3	41 - 91.5
Rice	Minerals_Phosphorus	IQR	50.5
Rice	Minerals_Phosphorus	мин. - макс.	8 - 139
Rice	Minerals_Phosphorus	CI	63.94 - 73.52
Rice	Minerals_Potassium	Количество значений	143
Rice	Minerals_Potassium	Количество пропущенных значений	0
Rice	Minerals_Potassium	Среднее значение	87.96
Rice	Minerals_Potassium	Медиана	87
Rice	Minerals_Potassium	Станд. отклон.	37.09
Rice	Minerals_Potassium	Q1 - Q3	69 - 105.5
Rice	Minerals_Potassium	IQR	36.5
Rice	Minerals_Potassium	мин. - макс.	10 - 219
Rice	Minerals_Potassium	CI	81.88 - 94.04
Rice	Minerals_Sodium	Количество значений	143
Rice	Minerals_Sodium	Количество пропущенных значений	0
Rice	Minerals_Sodium	Среднее значение	238.12
Rice	Minerals_Sodium	Медиана	201
Rice	Minerals_Sodium	Станд. отклон.	91.79
Rice	Minerals_Sodium	Q1 - Q3	178 - 265
Rice	Minerals_Sodium	IQR	87
Rice	Minerals_Sodium	мин. - макс.	69 - 510
Rice	Minerals_Sodium	CI	223.07 - 253.16
Rice	Minerals_Zinc	Количество значений	143
Rice	Minerals_Zinc	Количество пропущенных значений	0
Rice	Minerals_Zinc	Среднее значение	0.57
Rice	Minerals_Zinc	Медиана	0.52
Rice	Minerals_Zinc	Станд. отклон.	0.2
Rice	Minerals_Zinc	Q1 - Q3	0.43 - 0.69
Rice	Minerals_Zinc	IQR	0.26
Rice	Minerals_Zinc	мин. - макс.	0.22 - 1.37
Rice	Minerals_Zinc	CI	0.54 - 0.6
Rice	Vitamin_A_RAE	Количество значений	143
Rice	Vitamin_A_RAE	Количество пропущенных значений	0
Rice	Vitamin_A_RAE	Среднее значение	35.92
Rice	Vitamin_A_RAE	Медиана	20
Rice	Vitamin_A_RAE	Станд. отклон.	46.89
Rice	Vitamin_A_RAE	Q1 - Q3	2.5 - 57.5
Rice	Vitamin_A_RAE	IQR	55
Rice	Vitamin_A_RAE	мин. - макс.	0 - 209
Rice	Vitamin_A_RAE	CI	28.23 - 43.6
Rice	Vitamin_B12	Количество значений	143
Rice	Vitamin_B12	Количество пропущенных значений	0
Rice	Vitamin_B12	Среднее значение	0.02
Rice	Vitamin_B12	Медиана	0
Rice	Vitamin_B12	Станд. отклон.	0.07
Rice	Vitamin_B12	Q1 - Q3	0 - 0
Rice	Vitamin_B12	IQR	0
Rice	Vitamin_B12	мин. - макс.	0 - 0.52
Rice	Vitamin_B12	CI	0.01 - 0.03
Rice	Vitamin_B6	Количество значений	143
Rice	Vitamin_B6	Количество пропущенных значений	0
Rice	Vitamin_B6	Среднее значение	0.1
Rice	Vitamin_B6	Медиана	0.1
Rice	Vitamin_B6	Станд. отклон.	0.03
Rice	Vitamin_B6	Q1 - Q3	0.09 - 0.12
Rice	Vitamin_B6	IQR	0.03
Rice	Vitamin_B6	мин. - макс.	0.03 - 0.18
Rice	Vitamin_B6	CI	0.09 - 0.1
Rice	Vitamin_C	Количество значений	143
Rice	Vitamin_C	Количество пропущенных значений	0
Rice	Vitamin_C	Среднее значение	2.9
Rice	Vitamin_C	Медиана	0.8
Rice	Vitamin_C	Станд. отклон.	4.37
Rice	Vitamin_C	Q1 - Q3	0 - 3.6
Rice	Vitamin_C	IQR	3.6
Rice	Vitamin_C	мин. - макс.	0 - 19.5
Rice	Vitamin_C	CI	2.19 - 3.62
Rice	Vitamin_E	Количество значений	143
Rice	Vitamin_E	Количество пропущенных значений	0
Rice	Vitamin_E	Среднее значение	0.31
Rice	Vitamin_E	Медиана	0.3
Rice	Vitamin_E	Станд. отклон.	0.16
Rice	Vitamin_E	Q1 - Q3	0.18 - 0.44
Rice	Vitamin_E	IQR	0.26
Rice	Vitamin_E	мин. - макс.	0.02 - 0.75
Rice	Vitamin_E	CI	0.29 - 0.34
Rice	Vitamin_K	Количество значений	143
Rice	Vitamin_K	Количество пропущенных значений	0
Rice	Vitamin_K	Среднее значение	5.45
Rice	Vitamin_K	Медиана	3.7
Rice	Vitamin_K	Станд. отклон.	5.79
Rice	Vitamin_K	Q1 - Q3	2.3 - 6.7
Rice	Vitamin_K	IQR	4.4
Rice	Vitamin_K	мин. - макс.	0 - 28.1
Rice	Vitamin_K	CI	4.5 - 6.4

Категориальные переменные

Рассчитайте для всех категориальных переменных для каждой группы (Category):

1.1) Абсолютное количество;

1.2) Относительное количество внутри группы;

1.3) 95% ДИ для доли внутри группы - задание со звёздочкой.

# нет категориальных переменных подходящих для анализа

Визуализация

Количественные переменные

Для каждой количественной переменной сделайте боксплоты по группам. Расположите их либо на отдельных рисунках, либо на одном, но читаемо;
Наложите на боксплоты beeplots - задание со звёздочкой.
Раскрасьте боксплоты с помощью библиотеки RColorBrewer.

theme_custom <- theme(
    panel.background = element_rect(fill = "white"),
    plot.title = element_text(size = 18, hjust = 0.5),
    plot.subtitle = element_text(size = 16, hjust = 0.5),
    strip.text = element_text(size = 16),
    axis.text = element_text(size = 16),
    axis.title = element_text(size = 18),
    legend.title = element_text(size = 16),
    legend.text = element_text(size = 16 ),
    legend.position = "right"
  )
# c использованием базового R (первый вариант)
#lapply(seq_along(cleaned_data)[sapply (cleaned_data, is.numeric)], function(i) {
#  y<-cleaned_data[[i]]
#  ggplot(cleaned_data, aes (x = Category, y = y, fill = Category))+
#  geom_boxplot(outliers = F) +
#  geom_beeswarm(size = 1.5, cex = 1, alpha = 0.3) +
#  theme_custom +
#  scale_fill_brewer(palette = "Accent") +
#  labs(y = "Value", title = paste0("Boxplot: ", colnames(cleaned_data)[[i]]))
#})

make_qqplot <- function(data, var) {
  data %>% 
    ggplot() +                                                    
    aes(x = Category, y = !!as.name(var), fill = Category) + 
    geom_boxplot(width = 0.2, notch = FALSE, position = position_dodge(1), lwd = 1, outlier.shape = NA)+
    scale_fill_brewer(palette = "Accent") +
    geom_beeswarm(size = 1.5, cex = 1, alpha = 0.3) +
    theme_custom 
}
vars <- cleaned_data %>% select(where(is.numeric)) %>% names ()

plots <- map(vars, ~ make_qqplot(cleaned_data, .x))
plots

## [[1]]

## 
## [[2]]

## 
## [[3]]

## 
## [[4]]

## 
## [[5]]

## 
## [[6]]

## 
## [[7]]

## 
## [[8]]

## 
## [[9]]

## 
## [[10]]

## 
## [[11]]

## 
## [[12]]

## 
## [[13]]

## 
## [[14]]

## 
## [[15]]

## 
## [[16]]

## 
## [[17]]

## 
## [[18]]

## 
## [[19]]

## 
## [[20]]

## 
## [[21]]

## 
## [[22]]

## 
## [[23]]

## 
## [[24]]

## 
## [[25]]

## 
## [[26]]

## 
## [[27]]

## 
## [[28]]

## 
## [[29]]

## 
## [[30]]

## 
## [[31]]

## 
## [[32]]

## 
## [[33]]

## 
## [[34]]

## 
## [[35]]

Категориальные переменные

Сделайте подходящие визуализации категориальных переменных. Обоснуйте, почему выбрали именно этот тип.

 # нет подходящих категориальных переменных

Статистические оценки

Проверка на нормальность

Оцените каждую переменную на соответствие нормальному распределению с помощью теста Шапиро-Уилка. Какие из переменных являются нормальными и как как вы это поняли?

Для теста Шапиро-Уилка:
Н0- выборка получена из нормального распределения (данные согласуются с нормальным распределением)
Н1- выборка получена из распределения, отличного от нормального
Т.к. значения p- value гораздо меньше порогового знаения (0.05), можем отвергнуть Н0 и сделать вывод, что все количественные данные в датасете не согласуются с нормальным распределением.

normality<-cleaned_data %>% 
       select(where (is.numeric))%>% 
       summarise_all( list(statistic = ~shapiro.test(.x)$statistic , 
                                  p.value = ~shapiro.test(.x)$p.value)) %>%
      pivot_longer (everything()) %>%
      separate (name, into = c ("Переменная", "Статистика"), sep= "_(?!.*_)") %>%
      filter (`Статистика` == "p.value") %>% select (!`Статистика`) %>% 
      rename (`p-value` = value) %>%
      mutate (`Нормальность (тест Шапиро-Уилка)` = ifelse (`p-value` > 0.05, "Да", "Нет" )) %>% 
      flextable() %>% 
      set_formatter(`p-value` = function(x) {
      formatC(x, format = "e", digits = 2)
      })

normality

Переменная	p-value	Нормальность (тест Шапиро-Уилка)
Alpha_Carotene	9.68e-26	Нет
Beta_Carotene	1.72e-24	Нет
Beta_Cryptoxanthin	4.18e-31	Нет
Carbohydrate	8.23e-18	Нет
Cholesterol	1.48e-29	Нет
Choline	4.02e-21	Нет
Fiber	5.20e-23	Нет
Lutein_and_Zeaxanthin	1.25e-20	Нет
Lycopene	1.06e-28	Нет
Niacin	4.67e-23	Нет
Protein	3.30e-15	Нет
Retinol	2.62e-29	Нет
Riboflavin	1.21e-27	Нет
Selenium	1.03e-18	Нет
Sugar_Total	7.34e-19	Нет
Thiamin	1.30e-20	Нет
Water	3.05e-19	Нет
Monosaturated_Fat	2.95e-17	Нет
Polysaturated_Fat	2.38e-18	Нет
Saturated_Fat	1.38e-20	Нет
Total_Lipid	4.49e-16	Нет
Minerals_Calcium	5.17e-21	Нет
Minerals_Copper	2.19e-18	Нет
Minerals_Iron	1.65e-19	Нет
Minerals_Magnesium	2.39e-13	Нет
Minerals_Phosphorus	6.01e-11	Нет
Minerals_Potassium	2.45e-15	Нет
Minerals_Sodium	6.83e-08	Нет
Minerals_Zinc	1.58e-10	Нет
Vitamin_A_RAE	1.19e-22	Нет
Vitamin_B12	2.36e-26	Нет
Vitamin_B6	8.86e-32	Нет
Vitamin_C	3.83e-24	Нет
Vitamin_E	2.49e-19	Нет
Vitamin_K	3.14e-19	Нет

Постройте для каждой количественной переменной QQ-плот. Отличаются ли выводы от теста Шапиро-Уилка? Какой метод вы бы предпочли и почему?

lapply(seq_along(cleaned_data)[4:38], function(i) {
  dat<-cleaned_data[[i]]
  ggplot(cleaned_data, aes(sample = dat)) +
  geom_qq() +
  geom_qq_line() +
  #scale_color_manual(values = c("brown", "#E7B800"))+
  labs(y = "sample quantiles", x = "theoretical quantiles",  title = paste0("QQ-plot: ",colnames(cleaned_data)[[i]]))+
  theme_custom
})

## [[1]]

## 
## [[2]]

## 
## [[3]]

## 
## [[4]]

## 
## [[5]]

## 
## [[6]]

## 
## [[7]]

## 
## [[8]]

## 
## [[9]]

## 
## [[10]]

## 
## [[11]]

## 
## [[12]]

## 
## [[13]]

## 
## [[14]]

## 
## [[15]]

## 
## [[16]]

## 
## [[17]]

## 
## [[18]]

## 
## [[19]]

## 
## [[20]]

## 
## [[21]]

## 
## [[22]]

## 
## [[23]]

## 
## [[24]]

## 
## [[25]]

## 
## [[26]]

## 
## [[27]]

## 
## [[28]]

## 
## [[29]]

## 
## [[30]]

## 
## [[31]]

## 
## [[32]]

## 
## [[33]]

## 
## [[34]]

## 
## [[35]]

Результаты не отличаются от теста на нормальное распределение, если проводить сравнение без разделения на группы (категории). В данном случае выборки достаточно большие, поэтому больше подходит QQ- plot.
В целом графические методы более предпочтительны.

Результат тест Шапиро- Уилка очень зависит от объема выборки, и рекомендуется для относительно небольших выборок (до 50). Выборки разного размера из одной популяции могут давать совершенно разные резульаты теста. При больших выборках небольшие отклонения от нормального распределния могут привести к ложному отвержению нулевой гипотезы.

При разбиении на категории, графики некоторых величин, становятся более согласованными с нормальным распределением

Ниже напишите, какие ещё методы проверки на нормальность вы знаете и какие у них есть ограничения.

Другие методы оценки нормальности

Есть еще аналитические тесты например Колмогорова-Смирного и Андерсона- Дарлинга, но считается что их мощность ниже чем теста Шапиро-Уилка.
Кроме того, используются такие характеристики как skewness (симметрия) and kurtosis (коэффициент эксцесса, мера остроконечности пика распределения величины). Недостатками этих моделей является то, что для них нет строгих критериев, какие значения параметра считать пороговыми для принятия решения о нормальности. Эти оценки также не заменяют построенеи QQ- plot (или гистограмм).

Сравнение групп

Сравните группы (переменная Category) по каждой переменной (как количественной, так и категориальной). Для каждой переменной выберите нужный критерий и кратко обоснуйте его выбор в комментариях.

cleaned_data %>% group_by(Category)%>% tally()

cleaned_data %>%
  select(where(is.numeric)) %>% 
  names() %>% 
  set_names() %>% 
  map(function(x) t.test(cleaned_data[[x]] ~ cleaned_data$Category)$p.value < 0.05) %>% 
  enframe() %>% 
  unnest()

## Warning: `cols` is now required when using `unnest()`.
## ℹ Please use `cols = c(value)`.

Комментарий:

Для сравнения групп выбираем t-test для количественных переменных, так как объем выборки 100 измерений для категории “Cookie” и 143 для категории “Rice” позволяет нам использовать свойство нормализации средних значений, что позволяет не учитывать данные о нормальности рапределений в генеральной совокупности. В таком случае основной критерий - независимость значений переменных.

Н0 - средние значения переменной в группе 1 РАВНЫ среднему значению по данной переменной в группе 2
Н1 - средние значения переменной в группе 1 НЕ РАВНЫ среднему значению по данной переменной в группе 2

При значении p-value меньше порогового (0,05) Н0 отвергаем

В принципе непараметрический тест Манн-Уитни дает нам почти такие же результаты, за исключением результата для Сholosterol.
Так как t-test Cтьюдента обладает большей мощностью по сравнению с непараметрическим тестом Манна-Уитни (Wilcoxon test), в данном случае лучше выбрать его.

Далее идут необязательные дополнительные задания, которые могут принести вам дополнительные баллы в том числе в случае ошибок в предыдущих

Корреляционный анализ

Создайте корреляционную матрицу с визуализацией и поправкой на множественные сравнения. Объясните, когда лучше использовать корреляционные матрицы и в чём минусы и плюсы корреляционных исследований.

require(psych)
require (corrplot)

correlation  <- psych::corr.test(cleaned_data[, c(4:38)],method = "spearman", adjust = "fdr") # c поправкой на множ. сравнения
corrplot(corr = correlation$r, # график для коэффициента корреляции
         method = "color",
         order = "hclust")

#correlation$p #значения p- value

Корреляционный анализ используется для первичной “экслораторной” оценки данных с целью выявить возможные взаимосвязь между переменными и обозначить дальнейшие направления поиска. Позволяет оценить сразу много переменных.

Недостатком является то, что метод не позволяет анализировать качественные переменные (ковариация и как следствие кореляция могут быть осмысленно посчитаны только между количественными переменными.
Наличие корреляции не позволяет сделать вывод о наличии причинно-следственной связи, но помогает в дизайне исследований которые могут доказать причино-следственную связь. Также метод чувствителен к выбросам, и способен выявить лишь линейную взаимосвязь.

require (corrplot)

# вариант визуализации корреляционной матрицы с помощью corrplot, где крестиком отмечены незначимые различия по уровню p-value для части переменных
nums<-cleaned_data[,c(4:14)]
mat <- corr.test(nums,method = "spearman", adjust = "fdr")
res1 <- corrplot::cor.mtest(nums, conf.level = .95) ## specialized the insignificant value according to the significant level (0,05)
corrplot(mat$r, p.mat = res1$p) ## is significant level, with default value 0.05.

Моделирование

Постройте регрессионную модель для переменной Category. Опишите процесс построения

cleaned_data %>% group_by(Category) %>%summarise_if(is.numeric, mean, na.rm = TRUE)

colnames(cleaned_data)

##  [1] "Category"              "Description"           "Nutrient_Bank_Number" 
##  [4] "Alpha_Carotene"        "Beta_Carotene"         "Beta_Cryptoxanthin"   
##  [7] "Carbohydrate"          "Cholesterol"           "Choline"              
## [10] "Fiber"                 "Lutein_and_Zeaxanthin" "Lycopene"             
## [13] "Niacin"                "Protein"               "Retinol"              
## [16] "Riboflavin"            "Selenium"              "Sugar_Total"          
## [19] "Thiamin"               "Water"                 "Monosaturated_Fat"    
## [22] "Polysaturated_Fat"     "Saturated_Fat"         "Total_Lipid"          
## [25] "Minerals_Calcium"      "Minerals_Copper"       "Minerals_Iron"        
## [28] "Minerals_Magnesium"    "Minerals_Phosphorus"   "Minerals_Potassium"   
## [31] "Minerals_Sodium"       "Minerals_Zinc"         "Vitamin_A_RAE"        
## [34] "Vitamin_B12"           "Vitamin_B6"            "Vitamin_C"            
## [37] "Vitamin_E"             "Vitamin_K"

cleaned_data$Category <- as.factor(cleaned_data$Category) 
# для примера возьмем некоторые переменные. 
# Так как модель предсказывает категориальную переменную- то выбираем GLM
fit  <- glm(Category ~ `Beta_Carotene`  + `Lycopene`+ `Total_Lipid`+ `Choline`, cleaned_data, family = "binomial")

## Warning: glm.fit: fitted probabilities numerically 0 or 1 occurred

# выводим результат модели
summary(fit)

## 
## Call:
## glm(formula = Category ~ Beta_Carotene + Lycopene + Total_Lipid + 
##     Choline, family = "binomial", data = cleaned_data)
## 
## Coefficients:
##                Estimate Std. Error z value Pr(>|z|)    
## (Intercept)    5.006241   0.869402   5.758 8.50e-09 ***
## Beta_Carotene  0.003598   0.001740   2.068   0.0387 *  
## Lycopene       1.650499   2.092589   0.789   0.4303    
## Total_Lipid   -0.586449   0.104758  -5.598 2.17e-08 ***
## Choline       -0.123520   0.053859  -2.293   0.0218 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 329.220  on 242  degrees of freedom
## Residual deviance:  65.937  on 238  degrees of freedom
## AIC: 75.937
## 
## Number of Fisher Scoring iterations: 16

Интерпретация (попытка):

Estimates это логарифм odds (то есть логарифм отношения вероятности одной категории “Сookie” к вероятности другой категории “Rice”). Таким образом мы трансформируем значения вероятности от + бесконечности до - бесконечности. Intercept отражает вероятность принадлежности к категории 2 (в данном случае “Rice”) при условии что все объясняющие переменные (terms) неизменны и равны 0. Estimate для каждой из переменных отражает изменение значения логарифма odds обусловленное данной переменной при условии, что остальные переменные неизменны.

В этой модели с увеличением содержания Total_Lipid, вероятность принадлежности к группе “Riсe” существенно уменьшается (значимо,p-value < 0.001 ) у, так как значение Estimate отрицательно. Также значимыми предикторами являются Бета-каротин и Холин (уровень значимость - 0.01).

exp(fit$coefficients) # можно перейти к коэффициентам (odds) от логарифма

##   (Intercept) Beta_Carotene      Lycopene   Total_Lipid       Choline 
##   149.3423036     1.0036042     5.2095789     0.5562990     0.8838041

automatization_notebook_02

Eleba Iurlova

2024-11-03

Чтение данных

Выведите общее описание данных

Очистка данных

Сколько осталось переменных?

Сколько осталось случаев?

Есть ли в данных идентичные строки?

Сколько всего переменных с пропущенными значениями в данных и сколько пропущенных точек в каждой такой переменной?

Описательные статистики

Количественные переменные

Категориальные переменные

Визуализация

Количественные переменные

Категориальные переменные

Статистические оценки

Проверка на нормальность

Сравнение групп

Далее идут необязательные дополнительные задания, которые могут принести вам дополнительные баллы в том числе в случае ошибок в предыдущих

Корреляционный анализ

Моделирование